图解生成对抗网络（GAN）

目录

1.生成对抗网络介绍

2.网络结构

3.模型工作示例

 4.总结

---

1.生成对抗网络介绍

生成对抗网络（Generative Adversarial Network，简称GAN）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。GAN的核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）之间的对抗训练，生成逼真的数据样本。

2.网络结构

GAN由两个主要部分组成：

• 生成器（Generator，G）：它的目标是从随机噪声（通常是高斯分布）中生成尽可能接近真实数据的样本。例如，生成器可以生成逼真的图像、音频或文本。

• 判别器（Discriminator，D）：它的目标是区分生成器生成的假样本和真实数据样本。判别器通常是一个二分类器，输出一个概率值，表示输入样本是真实数据的概率。

在训练过程中，生成器和判别器相互对抗：

• 生成器努力生成越来越逼真的样本，以“欺骗”判别器。

• 判别器则努力提高自己的能力，以正确区分真假样本。

这种对抗过程可以类比为“造假者”（生成器）和“警察”（判别器）之间的博弈。随着训练的进行，生成器会逐渐生成越来越逼真的样本，而判别器的区分能力也会不断增强。

3.模型工作示例

这里拿人脸图像生成作为示例，在GAN模型内部的两部分，生成器和判别器，生成器要生成更加逼真的人脸图像（假的），而判别器的任务是识别出这些生成器生成的假图像。

假设判别器的输出如下：对于真实图像，判别器输出接近1（表示“真实”）。对于生成器生成的假图像，判别器输出接近0（表示“假”）。

在模型训练过程中，生成器不断生成图像，一开始生成的图像和真实图像相差甚远，判别器一下就能判别出来它的真假，但是随着模型的训练推进，生成器生成的人脸图像越来越真实，判别器无法轻易判别生成器生成的图像真假。

 4.总结

GAN的这种机制就像一场“造假者”和“警察”的博弈，最终达到一种平衡：生成器生成的图像足够逼真，判别器也无法轻易判断真假。